A QoS-Aware Service-Driven Network Selection for HWNs Based on MARCOS and Utility Functions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Heterogeneous wireless networks (HWNs) are essential in modern communication systems, as they seamlessly integrate various radio access technologies (RATs). In this context, network selection (NS) emerges as a pivotal element, responsible for selecting the most appropriate network for user equipment (UE) during transitions between RATs. Conventional NS mechanisms, such as the multi-attribute decision-making (MADM) methods, are commonly employed for their fast ranking of RATs, real-time support, and flexibility. However, they suffer from three primary limitations; the rank reversal problem (RRP), overlooking specific user/service requirements while favouring the highest-ranking RAT, and the associated frequent handovers. To address these limitations, in this paper, we first employ one of the most recent and effective MADM approaches, known as the measurement of alternatives and ranking according to the compromise solution (MARCOS), to model and solve the NS problem (MARCOS-NS) for the first time in the literature. We then propose novel sigmoid utility functions to assess the quality of each RAT attribute within the HWNs environment, taking into account user/application requirements. Further, we enhance MARCOS-NS by replacing its original normalization technique with the proposed sigmoid utility functions to overcome its limitation, creating a new MADM approach called MARCOS-Utility. Our results demonstrate the superiority of MARCOS-Utility over conventional MADM approaches as it completely eliminates the RRP, reduces vertical handover occurrences by an average of 33.1%, and achieves a balance between data rate and packet loss ratio for the streaming traffic class.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle